Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
Click here for the English version

Medicine

Todo cérebro-segmentação e análise de ponto de mudança de anatômico cérebro MRI — aplicação em Premanifest a doença de Huntington

Published: June 9, 2018 doi: 10.3791/57256

Summary

Este artigo descreve um modelo estatístico para análise de dados volumétrico MRI, que identifica o "ponto de mudança", quando começa a atrofia do cérebro em premanifest a doença de Huntington. Cérebro de todo o mapeamento dos pontos de mudança é alcançado com base nos volumes de cérebro obtidos usando um pipeline de segmentação baseados em atlas de imagens ponderadas em T1.

Abstract

Avanços recentes em MRI oferecem uma variedade de úteis marcadores para identificar doenças neurodegenerativas. Na doença de Huntington (HD), atrofia cerebral regional começa muitos anos antes do início do motor (durante o período de "premanifest"), mas o padrão spatiotemporal de atrofia regional em todo o cérebro não tem sido totalmente caracterizado. Aqui vamos demonstrar uma plataforma de computação em nuvem online, "MRICloud", que fornece baseados em atlas todo-cérebro segmentação de imagens ponderadas T1 em vários níveis de granularidade, desse modo, nos permite acessar as características regionais da anatomia do cérebro. Em seguida, descrevemos um modelo de regressão que detecta pontos de inflexão estatisticamente significativa, em que a Atrofia cerebral regional começa a ser visível, ou seja, do "ponto de mudança", em relação a um índice de progressão da doença. Usamos a Pontuação do produto (CAP) CAG-idade para indexar a progressão da doença em pacientes de HD. Análise de ponto de mudança das medições volumétricas do pipeline de segmentação, portanto, fornece informações importantes da ordem e padrão de atrofia estrutural em todo o cérebro. O livro ilustra o uso destas técnicas em dados de T1-weighted MRI disciplinas HD premanifest de um grande estudo multicêntrico de PREDICT-HD. Este projeto tem potencialmente amplas aplicações em uma gama de doenças neurodegenerativas, para investigar as alterações dinâmicas da anatomia do cérebro.

Introduction

Ressonância magnética (RM) tem substancialmente reforçada a nossa capacidade de examinar a anatomia do cérebro e funções no32,1,. doenças neurodegenerativas. Estrutural de T1-weighted que MRI é uma das mais amplamente adotado de imagem ferramentas na rotina clínica para avaliar o cérebro anatomia e patologia relacionada. Análise quantitativa das imagens ponderadas T1 de alta resolução fornece marcadores úteis para medir alterações anatômicas durante a degeneração do cérebro. Em particular, segmentação com base em abordagens de quantificação reduz eficazmente a dimensionalidade de imagem de nível de voxel (na ordem de (106)) a nível estrutural anatômica ((102)) para alta produtividade neuroinformatics4 , 5. segmentação de cérebro automatizada pode ser conseguida usando métodos baseados em atlas6,7,8,9 que mapeiam os rótulos predefinidos anatômicos de um atlas para as imagens do paciente . Entre os métodos baseados em atlas, atlas multi algoritmos10,11,12,13,14 produziram segmentação superior precisão e robustez. O nosso grupo desenvolveu um pipeline de segmentação multi atlas T1 totalmente automatizado, com avançado difeomorfo dimensão imagem registo algoritmos15, fusão do atlas multi métodos16,17e bibliotecas ricas multi atlas 18. o gasoduto foi distribuído em uma plataforma de computação em nuvem, MRICloud19, desde 2015, e ela tem sido usada para estudar doenças neurodegenerativas, tais como a doença de Alzheimer (AD)20,21, principal Afasia progressiva22e a doença de Huntington,23.

Uma vez que as imagens de alta resolução são segmentadas em estruturas cerebrais, características regionais, tais como volumes, podem ser usadas para criar modelos matemáticos para caracterizar as alterações neuroanatômica. Um método de análise de ponto de mudança foi recentemente estabelecido pelo nosso grupo para analisar a ordem temporal, no qual cérebro estatisticamente significativa morfométricos mudanças ocorrem, com base em dados de MRI longitudinais ou transversais. Este modelo estatístico foi desenvolvido para quantificar baseados em forma de diffeomorphometry sobre a idade em AD pacientes21,24; e foi mais tarde adaptado para investigar mudanças estruturais do cérebro na doença de Huntington (HD), bem como descrever alterações do desenvolvimento do cérebro no cérebro neonatal25. Em pacientes com HD, o ponto de mudança foi definido com respeito à contagem de produto (CAP) CAG-idade, como um indicador do grau de exposição para a expansão de CAG em HTT 26. É sabido que a atrofia striatal é um dos primeiros marcadores em HD, seguido do globus pallidus27. No entanto, as mudanças no corpo estriado em relação a outras estruturas de cinza e branca do outro lado do cérebro ainda não está claro. Tal relação é fundamental para compreendermos a progressão da doença. Análise de ponto de mudança de alterações volumétricas em todas as estruturas do cérebro provavelmente fornecerão informações sistemáticas de atrofia do cérebro na fase premanifest do HD.

Aqui vamos mostrar os procedimentos para realizar a segmentação de todo cérebro usando MRICloud (www.mricloud.org) e os passos para realizar a análise de ponto de mudança de dados volumétricos em premanifest indivíduos de HD. O MRI foram recolhidos de um ensaio multicêntrico grande população PREDICT-HD estudar28,29 , com aproximadamente 400 controles e premanifest temas de HD. A combinação da análise de segmentação e de ponto de mudança baseados em atlas traz informações exclusivas sobre a ordem spatiotemporal as alterações estruturais do cérebro e o padrão de progressão da doença em todo o cérebro. As técnicas são potencialmente aplicáveis a uma gama de doenças neurodegenerativas com vários biomarcadores para mapear a degeneração do cérebro.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. baseados em Atlas do cérebro inteiro segmentação

  1. Preparação de dados
    1. Converta tridimensionais (3D) T1-imagens ponderadas, normalmente adquiridos com sequência MPRAGE (preparado de magnetização rápida gradiente-echo), de formato DICOM (Digital Imaging e comunicação) específicos do fornecedor para formato Analyzed. Observe que a computação de nuvem requer dados de usuários para ser transferido para clusters de remotos. De acordo com o Health Insurance Portability Accountability Act (HIPPA), remova informações de identificação pessoal dos pacientes dos arquivos de imagem.
      Nota: O MRICloud oferece um conversor de DICOM para analisar (https://braingps.mricloud.org/t1prep) para a conversão de formato de arquivo, bem como a identificação de informações pessoais de saúde.
      1. Clique duas vezes para abrir o Dcm2Analyze.exe. Uma janela pop-up abrirá (figura 1A).
      2. Especifica o caminho de diretório de dados DICOM entrada como entrada e Analyzed imagem caminho e nome de arquivo como saída.
      3. Clique em "Ir" para concluir a conversão.
        Nota: A conversão precisa ser executada para cada paciente, e que seria benéfico para todas as imagens convertidas em um estudo de pasta para processamento (1.2.2.1) em lote de saída.
  2. Atlas multi com base em segmentação de imagens T1 usando MRICloud19.
    1. Log-in "Cérebro GPS" (registo para usuários de primeira viagem) de https://mricloud.org. Selecione a ferramenta "Segmentação" do menu principal (figura 1B). Existem dois aplicativo programação interface (API) opções sob "Segmentação": "T1-MultiAtlas" para segmentação de imagens T1 único e "T1-MultiAtlas lote" para processamento em lote. A análise de ponto de mudança requer dados de grande população, e desse modo, o processamento em lote é frequentemente a escolha.
    2. Envie trabalhos na API "T1-MultiAtlas lote".
      1. Comprima arquivos de imagem de Analyzed múltiplos em um arquivo zip. Clique em "+. zip" na figura 1B , fazer o upload do arquivo zip.
        Nota: O portal de nuvem atual limita o número de imagens para 30 em cada pasta zip. Grandes conjuntos de dados podem ser separados em várias pastas zip para serem processados. Pedido especial pode ser feito para acomodar mais imagens por arquivo zip. No futuro, nós pode potencialmente aumentar o número limitado ou mesmo remover o limite quando recursos computacionais mais remotos se tornam disponíveis.
      2. Preencha os campos obrigatórios na figura 1B.
        1. Servidor de processamento: escolha "Gateway de ciência computacional anatomia".
        2. Tipo de fatia: Escolha de "Sagital", "Axial" ou "Sagital convertido em Axial".
          Nota: "Sagital" refere-se a imagens adquiridas com orientação sagital com vista no plano Anterior-Posterior e direções de cabeça-pé. "Axial" refere-se a orientação axial de imagens adquiridas com vista no plano nas direções esquerda-direita e Anterior-Posterior. "Sagital convertido em Axial" refere-se às imagens que foram originalmente adquiridas na orientação axial, mas mais tarde convertidas em imagens sagitais (esses são tipicamente "Axial" imagens com área de pescoço longo).
        3. Biblioteca de multi atlas: escolha a biblioteca atlas com mais próxima faixa etária para os dados do usuário para otimizar a precisão da segmentação. Nós fornecemos pré-construídos multi atlas datasets18 com faixas de idade diferentes, por exemplo, "Pediátrica 4-8yr", "Pediátrica 8-12yr", "adulto 22-50", e "adulto 50-90", bem como versões diferentes de atlas. Informações sobre versões do atlas podem ser encontradas em https://braingps.mricloud.org/atlasrepo.
    3. Verifique o status do trabalho através do "Meu status do trabalho" (Figura 1). Uma vez que os empregos estão acabados, um botão de "Download resultados" aparecerá que permite que os usuários transfiram os resultados da segmentação como um arquivo. zip.
    4. Visualização dos resultados. Para um único assunto, os volumes obtidos a partir do resultado de segmentação podem ser visualizados on-line (não é viável para resultados de processamento em lote).
      1. Clique em "Ver resultado" na Figura 1. A página da Web vai virar para a interface de visualização (Figura 1). Os pontos de vista axiais, sagitais e coronais do mapa segmentação são sobrepostos na imagem anatômica ponderada T1. Renderização em 3D das estruturas cerebrais segmentado são mostradas na janela da esquerda superior. Cor da sobreposição segmentação mapa indica a pontuação z dos volumes estruturais.
      2. Ajustar as opções de visualização, incluindo sobreposição ON/OFF, a opacidade da sobreposição, zoom in e out e cortar as posições do painel superior direito na Figura 1.
      3. Grupo melhores parcelas de segmentação em diferente granularidade. Em nossas Atlas, definimos cinco níveis de granularidade com dois tipos ontologia relações18,30. Uma exibição de árvore das definições anatômicas vários níveis hierárquicas é mostrada no painel inferior esquerdo (Figura 1). Clique nos números de nível para expandir as estruturas ao nível correspondente ontologia. Os mapas de segmentação simultaneamente vão mudar para o nível correspondente da ontologia.
        Nota: MRICloud Bi-mensal oficinas são ajuda na Johns Hopkins University School of Medicine para oferecer tutoriais práticos das operações on-line descritas acima. Oficina de informações pode ser encontrada de https://braingps.mricloud.org/workshops.
    5. Baixe os resultados de segmentação para análise posterior. Descompacte os resultados para um diretório de estudo do usuário, por exemplo, reunir os resultados da segmentação de todos os indivíduos no estudo de um diretório, cada um em suas pastas individuais assunto.
      Nota: Os resultados incluem
    • example.img: imagem original de T1 na orientação axial.
    • example_MNI.img: imagem de T1 no espaço MNI seguindo as coordenadas Talairach.
    • example_7Labels.img e example_7Labels_MNI.img: segmentação grosseira com 7 parcelas (matéria cinzenta, substância branca, líquido cefalorraquidiano, ventrículo lateral, crânio e fundo) em nativo e MNI espaço, respectivamente.
    • example_283Labels_M2.img e example_283Labels_M2_MNI.img: multa segmentação com 283 parcelas (atlas versão V9B) no nativo e espaço MNI, respectivamente. O número exato dos rótulos depende da versão de atlas.
    • example_corrected_MNI_stats.txt e example_MNI_stats.txt: estatísticas de volumes de cada cérebro parcelas no nativo e espaço MNI.
    • multilevel_lookup_table.txt: definição de ontologia multinível das parcelas de cérebro.
  3. Execute o processamento em lote para obter volumes cerebrais em uma população. Uso um in-house lote de Matlab (www.mathworks.com) processamento de script para extrair volumes de cérebro de pastas individuais resultado e combinar os dados volumétricos de todas as disciplinas em todos os níveis de granularidade para uma planilha. Uma interface de usuário gráfica (GUI) é usada para especificar a entrada e saída.
    1. Matlab.exe aberto, execute Main.fig e um GUI estalará para fora (Figura 2A).
    2. Na "extração T1 Volume de MRICloud" painel (painel superior na Figura 2A), especificar as entradas, incluindo o diretório de estudo onde o baixado os resultados de segmentação são salvos (ver 1.2.5); e o caminho e arquivo nome do arquivo de tabela de pesquisa multi-nível.
    3. Especifica a saída planilha caminho e arquivo nome do arquivo onde o volume de dados será gravar.
    4. Clique o botão "Extrair o volume" para executar a análise. Os resultados podem ser verificados na planilha definida pelo usuário.
      Nota: Além disso, um pacote de R foi desenvolvido para processar o MRICloud saídas e executar outras análises estatísticas, fornecidas pelo Dr. Brian Caffo31. O pacote pode ser baixado de https://github.com/bcaffo/MRIcloudT1volumetrics.

2. ponto de mudança-análise de dados volumétricos

Nota: Consulte a teoria e a matemáticas detalhes do modelo de mudança-ponto nossos anteriores Publicações21,24,23. Brevemente, para dados de HD, um modelo de regressão é estabelecido para definir um mudança-ponto crítico (em termos de Pontuação CAP), a partir do qual, a regressão linear entre o CAP e o volume se torna estatística significativa, ao mesmo tempo corrigindo os efeitos da idade do paciente, gênero e volume intracraniano. Scripts de Matlab in-House, juntamente com uma GUI (Figura 2A, painel inferior), foi desenvolvido para calcular os pontos de mudança de estruturas individuais e realizar a análise estatística. Os scripts estão disponíveis para usuários, mediante pedido.

  1. Calcule os pontos de mudança de estruturas cerebrais individuais.
    1. No painel "análise de ponto de mudança" na Figura 2A, especifique o caminho do arquivo e o nome da planilha de vários níveis de volume, que é gerada de acordo com 1.3.
    2. Especifica o caminho do arquivo e o nome do arquivo de texto de saída, que serão gravados os resultados do ponto de mudança.
    3. Escolha o nível de granularidade e tipo de ontologia definição na caixa drop-down (nível 1-5), no qual será realizada a análise de ponto de mudança.
    4. Clique no botão "Calculate mudança-ponto" para realizar a análise de ponto de mudança, conforme descrito na referência23e os pontos de mudança resultantes será salvo no arquivo de texto de saída.
  2. Avaliações estatísticas dos pontos de mudança.
    1. Na GUI do Matlab (Figura 2A, painel inferior), especifica parâmetros para testes estatísticos, incluindo o número de permutação (padrão 10.000), número de bootstrap (padrão 10.000) e p-valor limite (após a correção do FDR, padrão 0.05).
    2. Clique o botão "Teste estatístico" para executar os testes. Após esta etapa, o p-valor (pelo teste de permutação), antes e após a correção (FDR), bem como o desvio padrão e o intervalo de confiança de 95% (de inicialização) dos pontos de mudança de taxa de falso-descoberta será gravado para o arquivo de texto de saída como colunas extras . Ver detalhes dos procedimentos de teste estatístico em23,24.
  3. Gere mapas de ponto de mudança (opcional). Na GUI do Matlab (Figura 2A, painel inferior), clique em "Mudança de mapa-ponto" botão para gerar mapas de ponto de mudança. Valores de ponto de mudança estatisticamente significante serão mapeados para o imagem anatômico MNI-espaço para visualizar o padrão espacial. Este mapeamento pode ser feito em níveis de granularidade diferentes, dependendo do nível anatômico especificado no ponto 2.1. Os ponto de mudança de mapas podem ser sobrepostos em imagens ponderadas T1, usando MRIcro (Figura 2B) (http://www.cabi.gatech.edu/mricro/mricro/).

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Usando os procedimentos descritos em 1.1-1.3, mapas de segmentação do cérebro inteiro podem ser obtidos MRICloud. Na versão atual do atlas (V9B), 283 parcelas são segmentadas na granularidade mais fina (nível 5), que pode ser agrupada para diferentes níveis de granularidade, por exemplo., hemisfério a lóbulos e parcelas, de acordo com as definições específicas da ontologia. A Figura 3 mostra dois tipos de segmentações multi-nível em cinco níveis, em vistas axiais e coronais. Por exemplo, o nível mais grosseiro, tipo-eu segmentação define regiões do cérebro clássica do telencéfalo, diencéfalo, mesencéfalo, metencephalon e pontomesencefálica (Figura 3A), enquanto o tipo II define clínica e radiograficamente usado convenções de hemisférios e cerebelo tronco cerebral (Figura 3B). Aqui, usamos as definições de tipo-II para a análise a seguir, e nós média dos volumes dos hemisférios esquerdos e direito, como não há nenhum conhecida lateralidade na patologia de HD.

Análise de ponto de mudança dos volumes cérebro é realizada com base nos resultados segmentação, de acordo com a seção 2.1-2.2. Na Figura 4, tomamos os gânglios basais como exemplo para examinar os pontos de mudança relacionados a níveis diferentes de granularidade. As definições estruturais hierárquicas 3D dos gânglios basais são ilustradas na linha superior. Gráficos de dispersão da análise de ponto de mudança nas estruturas individuais são mostrados na linha inferior, onde os pontos azuis denotam as z-contagens dos volumes estruturais dos pacientes HD premanifest (normalizados para controles), após a correção para idade, sexo, e intracranianas volumes; as curvas de pretas são os volume montado z-scores, regredidas para o componente de ponto de mudança no modelo23; e as linhas vermelhas indica as posições dos pontos de alteração detectadas. No nível 1, apenas separação hemisférica está disponível, e o correspondente gráfico de dispersão mostra de todo o hemisfério tem uma atrofia gradual como aumentos de Pontuação do CAP, com um ponto de mudança na capa do 360 e 95% intervalo de confiança de [352,8, 367.2] (p = 0.011 depois FDR correção). No nível 2, os gânglios basais é uma parte dos núcleos cerebrais, e os núcleos cerebrais mostra um ponto de mudança no CAP de 232 [227.7, 236.3] (p < 0,01 após FDR). No nível 3, o gânglio basal é uma estrutura independente e mostra um ponto de mudança no CAP de 233 [228,6, 237.4] (p < 0,01 após FDR). No nível 4, gânglios basais é dividida no corpo estriado e o globo pálido, que têm pontos de mudança no CAP de 230 [225.6, 234.4] e 243 [238.6, 247,4], respectivamente (ambos p < 0,01 após FDR). No nível 5, o striatum é ainda dividido em caudado e putâmen, que mostram pontos de mudança no CAP de 240 [234.9, 245.1] e 211 [206.8, 215.2], respectivamente (ambos p < 0,01 após FDR).

Uma vez que os pontos de mudança individuais são calculados para todas as estruturas do cérebro, todo cérebro espacial mapas dos pontos de mudança podem ser obtidos de acordo com 2.3. A Figura 5 mostra que o ponto de mudança de mapas em níveis de granularidade diferentes com as definições ontológicas do tipo II. Observe que somente as estruturas com pontos de mudança significativas (p < 0.05 após a correção do FDR) são mapeados. No nível 1, o parênquima cerebral toda (exceto cerebelo) mostra um mudança-ponto significativo mas relativamente tarde no CAP de 360 [352.8, 367.2] (p = 0.011 depois FDR); Considerando que o líquido cefalorraquidiano (CSF, incluindo espaço de sulci, III e IV ventrículo e ventrículo lateral) mostra um ponto de mudança ligeiramente anterior no CAP de 319 [313.0, 325.0] (p = 0,022 depois FDR). As regiões com pontos de mudança significativas tornam-se mais localizadas, como o nível de granularidade sobe, e a variação espacial começa a desvendar. Por exemplo, no nível 3, matéria branca inferior apresenta um ponto de mudança anterior (CAP = 305 [298.8, 311,2], p = 0,038 depois FDR), em comparação com a anterior matéria branca (CAP = 371 [363.9, 378.1], p = 0.042 depois FDR). No nível 5, as diferenças entre o putâmen, caudado e globus pallidus se tornam visíveis, com o putâmen mostrando o ponto de mudança mais cedo, seguido o caudado e globus pallidus.

As taxas de mudança são calculadas como a porcentagem de alterações volumétricas (normalizado para controles saudáveis) por Pontuação de CAP, após o ponto de mudança. As taxas de mudança das estruturas correspondentes são mapeadas na Figura 6, onde as cores quentes indicam aumentos de volume nos ventrículos e sulcos CSF e as cores frias indicam o volume diminui no parênquima cerebral. No nível 3, as estruturas profundas cinzenta mostram maior taxa de mudança, seguida pelo anterior matéria branca e em seguida inferiores de matéria branca. No nível 5, os putâmen e globus pallidus exibem a mais rápida atrofia (0,1% perda volumétrica por CAP), seguida do caudado (0.07% por CAP). Como a granularidade sobe, as taxas de mudança tornam-se maior nas regiões mais localizadas.

Figure 1
Figura 1: ilustração de segmentação de imagens ponderadas em T1 em MRICloud. (A) uso de Dcm2Analyzed.exe para converter arquivos DICOM em formato Analyzed e realizar a identificação. (B) página da Web para processamento "Batch T1-MultiAtlas". (C) página da Web para "Meu status do trabalho". (D) página Web para visualização dos resultados de segmentação. Clique aqui para ver uma versão maior desta figura.

Figure 2
Figura 2: Interface de usuário gráfica (GUI) para realizar a análise de volume e mudança de ponto de análise. (A) Matlab GUI para extração de lote de dados volumétricos de saídas de segmentação MRICloud (painel superior) e análise de ponto de mudança (painel inferior). (B) MRICro interface para visualizar os mapas de ponto de mudança. Clique aqui para ver uma versão maior desta figura.

Figure 3
Figura 3: segmentação de cérebro inteiro baseados em Atlas em vários níveis de granularidade com dois tipos de relações ontológicas. Axiais e coronais visualizações de mapas de segmentação multi-nível são sobrepostas na ponderação T1 imagens anatômicas, de acordo com o tipo-I (A) e as definições ontológicas do tipo II (B). Clique aqui para ver uma versão maior desta figura.

Figure 4
Figura 4: análise de ponto de mudança dos gânglios basais em vários níveis de granularidade. O hierárquica das relações anatômicas entre o hemisfério (nível 1), núcleos cerebrais (nível 2), gânglio basal (nível 3), corpo estriado e globus pallidus (nível 4) e putâmen e caudado (nível 5) são ilustrados na linha superior com renderização em 3D. Os gráficos de dispersão demonstram análise de ponto de mudança dessas estruturas, onde os pontos azuis denotam as z-contagens dos dados volumétricos (normalizados para controles saudáveis) após a correção para idade, sexo e volumes intracranianas; as curvas de pretas são os cabido-escores z, regredidas para o ponto de mudança dependente componente de CAP; e as linhas vermelhas indicam as posições dos pontos de mudança. Clique aqui para ver uma versão maior desta figura.

Figure 5
Figura 5: mudança do cérebro inteiro-ponto mapas em vários níveis de granularidade. As regiões que apresentam significativas alterar pontos (5% de FDR) são mapeados para uma imagem ponderada em T1, e as cores indicam os valores de ponto de mudança na unidade de Pontuação do CAP. Abreviaturas: Matéria WM:white; LV: ventrículo lateral; AntWM: anterior matéria branca; InfWM: inferior substância branca; BG: gânglios; ST: corpo estriado; GP: globus pallidus; MACACO: membro anterior da cápsula interna; PLIC: membro posterior da cápsula interna; Caud: caudado; Colocar: putâmen. Clique aqui para ver uma versão maior desta figura.

Figure 6
Figura 6: taxa de mudança de todo o cérebro mapeia em vários níveis de granularidade. Taxas de alteração são calculadas como a porcentagem de variações de volume por CAP, após o ponto de mudança (normalizado para saudável controles), nas regiões que mostram pontos de mudança significativos (5% de FDR), mapeado em uma imagem ponderada em T1. Abreviaturas: WM: substância branca; LV: ventrículo lateral; AntWM: anterior matéria branca; InfWM: inferior substância branca; BG: gânglios; ST: corpo estriado; GP: globus pallidus; MACACO: membro anterior da cápsula interna; PLIC: membro posterior da cápsula interna; Caud: caudado; Colocar: putâmen. Clique aqui para ver uma versão maior desta figura.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Conforme demonstrado neste artigo, cérebro de toda a segmentação da RM do cérebro pode ser convenientemente alcançada utilizando nossa plataforma online MRICloud. T1-weighted MRI com base volumétrica marcador tem mostrado para ser robusto e sensível a uma gama de32,1,do doenças neurodegenerativas. As medidas volumétricas são utilizadas para várias análises a jusante, como modelagem matemática e análise de recurso-seleção e classificação para auxiliar o diagnóstico clínico e prognóstico. Análise de ponto de mudança de volume do cérebro permite a caracterização quantitativa da atrofia do cérebro durante a progressão da doença. Esta análise estatística emprega um modelo de regressão com um componente não-linear para definir um ponto de mudança no curso de atrofia cerebral por um índice de doença, por exemplo, contas de CAP em HD comparado a análise de grupo convencional, que é amplamente adotado na maioria os estudos existentes, o modelo de ponto de mudança procura para os pontos de início exata de atrofia do cérebro e portanto, oferece informações mais específicas de degeneração do cérebro. Combinando com um pipeline de segmentação automatizada de todo-cérebro, mapas espaciais dos pontos de mudança podem ser obtidos, que revelam o padrão spatiotemporal de progressão da doença em HD. Isto é especialmente importante na fase premanifest do HD quando intervenções terapêuticas podem ser mais eficazes.

Na segmentação de imagens baseado em atlas multi, Segmentações de cérebro em diversas granularidades são fornecidas para fazer a análise volumétrica, flexível e escalável para diversos estudos. Por exemplo, para a doença de Alzheimer, várias estruturas do cérebro pequeno são de particular interesse, como o hipocampo, amígdala ou subdivisões do córtex temporal; Considerando que para a demência frontotemporal, cérebros são examinados em escalas relativamente grosseiras, tais como os lobos temporal e frontal inteira. De acordo com nosso estudo anterior33, a segmentação precisão e reprodutibilidade podem ser comprometidas em alta granularidade. Além disso, o desafio estatístico para comparação múltipla aumentaria a maior granularidade, conforme mostrado na Figura 5. Além disso, uma escolha apropriada das bibliotecas de atlas, dependendo da idade gama e doença tipos do estudo, é importante para a segmentação precisão18,32. A análise de ponto de mudança exige um número relativamente grande de dados para executar a análise de regressão, por exemplo, n > 50 geralmente é necessário com base na experiência empírica. Interpretação dos resultados do ponto de mudança baseia-se fortemente sobre o teste estatístico, porque o modelo produzirá um ponto de mudança para qualquer série de dados dinâmicos, que às vezes é insignificante. Usamos um teste de permutação para avaliar se a adição de um ponto de mudança reduz significativamente o erro residual do modelo, e usamos a operação de inicialização para atenuar a influência de outliers.

Pode haver variações para o modelo de mudança-ponto dependendo de aplicações específicas. Por exemplo, o índice de doença, que é a pontuação de CAP para os doentes de Huntington, podem ser substituídas por outras variáveis clínicas, ou a idade simplesmente. Outras covariáveis também podem ser incluídos no modelo, tais como imagem protocolos23 e outros fatores a ser contabilizados. Além disso, o modelo é aplicável para vários tipos de biomarcadores além do marcador volumétrico, incluindo outros marcadores de imagem (a partir de mecanismos de contraste diferentes tais como difusão, perfusão ou ressonância magnética funcional) e marcadores de imagem não. Além disso, a formulação matemática do modelo pode ser adaptada de acordo com hipóteses e pressupostos diferentes. Para exemplos, o modelo pode envolver uma regressão linear de base antes do ponto de mudança e uma regressão linear adicional que ocorre depois do ponto de mudança, tal como proposto na referência24.

A análise de ponto de mudança proposta na segmentação de todo cérebro baseados em atlas combinação pode ter aplicações largas em ambos os estudos de ciência básica e clínica de doenças neurodegenerativas. No entanto, existem limitações com as propostas técnicas. As alterações dinâmicas de biomarcadores podem não ser lineares, e desse modo, linear componente usado no atual modelo de ponto de mudança pode não ser ideal. Modelo linear generalizado, potencialmente, pode ser integrado para lidar com situações não-lineares. Em segundo lugar, a análise de ponto de mudança requer grande população dados longitudinal ou transversal, como os dados de PREDICT-HD multi centro utilizados neste estudo. Protocolos de aquisição de imagem diferente, de vários estudos ou estudos longitudinais, podem impor um viés nas medições de volume. Nosso pipeline de segmentação de imagem multi atlas tem mostrado para ser relativamente robusto para diferenças de protocolo, em comparação com os efeitos biológicos, tais como idade e patologia34. Ainda, pode ser necessário remover a diferença de protocolo previamente, ou incluir o efeito do protocolo como dentre as covariáveis no modelo de ponto de mudança, conforme descrito em23. Atualmente, a jusante análise volumétrica não está incluído no MRICloud, e os usuários precisarão extrair volumes dos mapas de segmentação ou utilizar o nosso toolbox Matlab para realizar a análise de volume de granularidade multi. Nós pode potencialmente integrar esta etapa de processamento offline o pipeline de nuvem no futuro, se isto é identificado como um pedido comum pelos utilizadores.

A análise de ponto de mudança proposta na segmentação de todo cérebro baseados em atlas combinação pode ter aplicações largas em ambos os estudos de ciência básica e clínica de doenças neurodegenerativas.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Os autores não têm nada para divulgar.

Acknowledgments

Agradecemos os investigadores de PREDICT-HD, particularmente, Dr. Hans Johnson e Dr. Jane S. Pauslen da Universidade de Iowa, por sua generosidade em compartilhar os dados de MRI e discussão construtiva sobre a análise dos dados e resultados.

Este trabalho é apoiado pela NIH concede R21 NS098018 P50-NS16375, NS40068, NS086888 R01, R01 NS084957, P41 EB015909, P41 EB015909, R01 EB000975, R01 EB008171 e U01 NS082085.

Materials

Name Company Catalog Number Comments
MATLAB Mathworks N/A Version 2015b and above
Dell Workstation Dell Dell Precision T5500 (Intel Xeon CPU)

DOWNLOAD MATERIALS LIST

References

  1. Paulsen, J. S., et al. Clinical and Biomarker Changes in Premanifest Huntington Disease Show Trial Feasibility: A Decade of the PREDICT-HD Study. Front Aging Neurosci. 6, 78 (2014).
  2. Jack, C. R. Jr, et al. Hypothetical model of dynamic biomarkers of the Alzheimer's pathological cascade. Lancet Neurol. 9 (1), 119-128 (2010).
  3. Laakso, M. P., et al. Hippocampal volumes in Alzheimer's disease, Parkinson's disease with and without dementia, and in vascular dementia: An MRI study. Neurology. 46 (3), 678-681 (1996).
  4. Miller, M. I., Faria, A. V., Oishi, K., Mori, S. High-throughput neuro-imaging informatics. Front Neuroinform. 7, 31 (2013).
  5. Mori, S., Oishi, K., Faria, A. V., Miller, M. I. Atlas-based neuroinformatics via MRI: harnessing information from past clinical cases and quantitative image analysis for patient care. Annu Rev Biomed Eng. 15, 71-92 (2013).
  6. Klein, A., Mensh, B., Ghosh, S., Tourville, J., Hirsch, J. Mindboggle: automated brain labeling with multiple atlases. BMC Med Imaging. 5, 7 (2005).
  7. Heckemann, R. A., Hajnal, J. V., Aljabar, P., Rueckert, D., Hammers, A. Automatic anatomical brain MRI segmentation combining label propagation and decision fusion. Neuroimage. 33 (1), 115-126 (2006).
  8. Artaechevarria, X., Munoz-Barrutia, A., Ortiz-de-Solorzano, C. Combination strategies in multi-atlas image segmentation: application to brain MR data. IEEE Trans Med Imaging. 28 (8), 1266-1277 (2009).
  9. Lotjonen, J. M. P., et al. Fast and robust multi-atlas segmentation of brain magnetic resonance images. Neuroimage. 49 (3), 2352-2365 (2010).
  10. Rohlfing, T., Brandt, R., Menzel, R., Maurer, C. R. Evaluation of atlas selection strategies for atlas-based image segmentation with application to confocol microscopy images of bee brains. Neuroimage. 21 (4), 1428-1442 (2004).
  11. Fischl, B., et al. Whole brain segmentation: Automated labeling of neuroanatomical structures in the human brain. Neuron. 33 (3), 341-355 (2002).
  12. Collins, D. L., Holmes, C. J., Peters, T. M., Evans, A. C. Automatic 3-D model-based neuroanatomical segmentation. Human Brain Mapping. 3 (3), 190-208 (1995).
  13. Dawant, B. M., et al. Automatic 3-D segmentation of internal structures of the head in MR images using a combination of similarity and free-form transformations: Part I, methodology and validation on normal subjects. Ieee Transactions on Medical Imaging. 18 (10), 909-916 (1999).
  14. Wu, G., et al. A generative probability model of joint label fusion for multi-atlas based brain segmentation. Med Image Anal. 18 (6), 881-890 (2014).
  15. Miller, M. I., Trouve, A., Younes, Y. Diffeomorphometry and geodesic positioning systems for human anatomy. Technology. 2, (2013).
  16. Tang, X., et al. Bayesian Parameter Estimation and Segmentation in the Multi-Atlas Random Orbit Model. PLoS One. 8 (6), e65591 (2013).
  17. Wang, H., et al. Multi-Atlas Segmentation with Joint Label Fusion. IEEE Trans Pattern Anal Mach Intell. 35 (3), 611-623 (2013).
  18. Wu, D., et al. Resource atlases for multi-atlas brain segmentations with multiple ontology levels based on T1-weighted MRI. Neuroimage. 125, 120-130 (2015).
  19. Mori, S., et al. MRICloud: Delivering High-Throughput MRI Neuroinformatics as Cloud-Based Software as a Service. Computing in Science & Engineering. 18 (5), 21-35 (2016).
  20. Wu, D., Ceritoglu, C., Miller, M. I., Mori, S. Direct estimation of patient attributes from anatomical MRI based on multi-atlas voting. Neuroimage-Clinical. 12, 570-581 (2016).
  21. Miller, M. I., et al. Network Neurodegeneration in Alzheimer's Disease via MRI Based Shape Diffeomorphometry and High-Field Atlasing. Front Bioeng Biotechnol. 3, 54 (2015).
  22. Faria, A. V., et al. Content-based image retrieval for brain MRI: an image-searching engine and population-based analysis to utilize past clinical data for future diagnosis. Neuroimage Clin. 7, 367-376 (2015).
  23. Wu, D., et al. Mapping the order and pattern of brain structural MRI changes using change-point analysis in premanifest Huntington's disease. Hum Brain Mapp. , (2017).
  24. Younes, L., Albert, M., Miller, M. I., Team, B. R. Inferring changepoint times of medial temporal lobe morphometric change in preclinical Alzheimer's disease. Neuroimage Clin. 5, 178-187 (2014).
  25. Wu, D., et al. Mapping the critical gestational age at birth that alters brain development in preterm-born infants using multi-modal MRI. NeuroImage. 149, 33-43 (2017).
  26. Zhang, Y., et al. Indexing disease progression at study entry with individuals at-risk for Huntington disease. Am J Med Genet B Neuropsychiatr Genet. 156b (7), 751-763 (2011).
  27. Vonsattel, J. P., et al. Neuropathological classification of Huntington's disease. J Neuropathol Exp Neurol. 44 (6), 559-577 (1985).
  28. Paulsen, J. S., et al. Detection of Huntington's disease decades before diagnosis: the Predict-HD study. J Neurol Neurosurg Psychiatry. 79 (8), 874-880 (2008).
  29. Paulsen, J. S., et al. Prediction of manifest Huntington's disease with clinical and imaging measures: a prospective observational study. Lancet Neurol. 13 (12), 1193-1201 (2014).
  30. Djamanakova, A., et al. Tools for multiple granularity analysis of brain MRI data for individualized image analysis. Neuroimage. 101, 168-176 (2014).
  31. Caffo, B. A package for T1 volumetric analysis of MRIcloud output. R package version 0.0.1. , Available from: https://github.com/bcaffo/MRIcloudT1volumetrics (2017).
  32. Aljabar, P., Heckemann, R. A., Hammers, A., Hajnal, J. V., Rueckert, D. Multi-atlas based segmentation of brain images: atlas selection and its effect on accuracy. Neuroimage. 46 (3), 726-738 (2009).
  33. Huntington Study Group. Unified Huntington's Disease Rating Scale: reliability and consistency. Mov Disord. 11 (2), 136-142 (1996).
  34. Liang, Z., et al. Evaluation of Cross-Protocol Stability of a Fully Automated Brain Multi-Atlas Parcellation Tool. PLoS One. 10 (7), e0133533 (2015).

Tags

Medicina edição 136 ponto de mudança atlas de MRI segmentação granularidade MRICloud premanifest HD
Todo cérebro-segmentação e análise de ponto de mudança de anatômico cérebro MRI — aplicação em Premanifest a doença de Huntington
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Wu, D., Faria, A. V., Younes, L.,More

Wu, D., Faria, A. V., Younes, L., Ross, C. A., Mori, S., Miller, M. I. Whole-brain Segmentation and Change-point Analysis of Anatomical Brain MRI—Application in Premanifest Huntington's Disease. J. Vis. Exp. (136), e57256, doi:10.3791/57256 (2018).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter